Formation ggplot2
Visualisation de données avec ggplot2
Lors de cette formation nous allons apprendre à visualiser des jeux de données tabulaires avec ggplot2.
Mise en place
Lors de cette formation nous allons ustiliser plusieurs packages qui contienent les fonctions dont nous avons besoin: - tidyverse qui contient plusiers packages dont ggplot2 - visdat qui permet une représentation rapide des données - plotly pour faire des graphiques interactifs
Vous avez normalement déjà installé ces packages. Pour vérifier qu’ils sont bien installé, et pour les importer dans votre session, utilisez la fonction library() :
library(tidyverse)
library(visdat)
library(plotly)Vous devez aussi vous assurer que le répertoire de travail de R est bien le dossier qui contient le matériel de la lesson. Le chemin vers ce dossier va être différent en fonction de votre système opérateur.
setwd("~/Desktop/ggplot_course/materiel")Pour cette lesson, nous allons utiliser une version légèrement modifée du jeu de donnée publié par Burghard et al 2015.
Lecture et vérification des données
La version simplifiée des données est dans le dossier data (burghardt_et_al_2015_expt1.txt). Il s’agit de données pour des phénotypes associés au temmps nécessaire à des plantes de différents génotypes pour fleurir dans différéntes conditions.
Comme notre répertoire de travail est le dossier materiel , nous devons lire les données ainsi:
# Lecture des données et chargement dans la variable (objet) expt1
expt1 <- read_tsv("../data/burghardt_et_al_2015_expt1.txt")## Parsed with column specification:
## cols(
## genotype = col_character(),
## background = col_character(),
## temperature = col_double(),
## fluctuation = col_character(),
## day.length = col_double(),
## vernalization = col_character(),
## survival.bolt = col_character(),
## bolt = col_character(),
## days.to.bolt = col_double(),
## days.to.flower = col_double(),
## rosette.leaf.num = col_double(),
## cauline.leaf.num = col_double(),
## blade.length.mm = col_double(),
## total.leaf.length.mm = col_double(),
## blade.ratio = col_double()
## )La fonction read_csv() imprime un message indiquant quel type de donnée est contenue dans les differentes colonnes du fichier.
Dans noter cas, certaines colonnes contiennes des données de type “character” (du texte) et d’autres des données numériques (“double” en présence de décimale, “integer” en absence de décimale).
Pour regarder rapidement les données, tapez le nom de la variable où sont les données (expt1).
expt1## # A tibble: 957 x 15
## genotype background temperature fluctuation day.length vernalization
## <chr> <chr> <dbl> <chr> <dbl> <chr>
## 1 Col Ama Col 12 Con 16 NV
## 2 Col Ama Col 12 Con 16 NV
## 3 Col Ama Col 12 Con 16 NV
## 4 Col Ama Col 12 Con 16 NV
## 5 Col Ama Col 12 Con 16 NV
## 6 Col Ama Col 12 Con 16 NV
## 7 Col Ama Col 12 Con 16 NV
## 8 Col Ama Col 12 Con 16 NV
## 9 Col Ama Col 12 Con 8 NV
## 10 Col Ama Col 12 Con 8 NV
## # … with 947 more rows, and 9 more variables: survival.bolt <chr>, bolt <chr>,
## # days.to.bolt <dbl>, days.to.flower <dbl>, rosette.leaf.num <dbl>,
## # cauline.leaf.num <dbl>, blade.length.mm <dbl>, total.leaf.length.mm <dbl>,
## # blade.ratio <dbl>Cela va nous montrer les 10 premières lignes du tableau ainsi que les colonnes qui rentrent dans l’écran.
Challenge: Combien y a t’il de lignes et colonnes dans les données?
Une autre option est d’utiliser la fonction View() pour accéder à une table intéractive où il est possible de trier et filtrer les données sans modifier la variable:
View(expt1)- La fonction
glimpse()permet d’avoir une idée de la structure des données:
glimpse(expt1)## Observations: 957
## Variables: 15
## $ genotype <chr> "Col Ama", "Col Ama", "Col Ama", "Col Ama", "Col…
## $ background <chr> "Col", "Col", "Col", "Col", "Col", "Col", "Col",…
## $ temperature <dbl> 12, 12, 12, 12, 12, 12, 12, 12, 12, 12, 12, 12, …
## $ fluctuation <chr> "Con", "Con", "Con", "Con", "Con", "Con", "Con",…
## $ day.length <dbl> 16, 16, 16, 16, 16, 16, 16, 16, 8, 8, 8, 8, 8, 8…
## $ vernalization <chr> "NV", "NV", "NV", "NV", "NV", "NV", "NV", "NV", …
## $ survival.bolt <chr> "Y", "Y", "Y", "Y", "Y", "Y", "Y", "Y", "Y", "Y"…
## $ bolt <chr> "Y", "Y", "Y", "Y", "Y", "Y", "Y", "Y", "Y", "Y"…
## $ days.to.bolt <dbl> 28, 29, 31, 31, 32, 33, 34, 35, 69, 72, 76, 79, …
## $ days.to.flower <dbl> 43, 44, 43, 42, 44, 47, 47, 49, 90, 91, 97, 99, …
## $ rosette.leaf.num <dbl> 18, 15, 13, 17, 19, 14, 15, 18, 53, 49, 51, 55, …
## $ cauline.leaf.num <dbl> 6, 5, 4, 5, 4, 4, 3, 5, 6, 5, 6, 9, 6, 9, 8, 10,…
## $ blade.length.mm <dbl> 12.9, 10.5, 13.2, 14.6, 13.3, 14.7, 13.0, 17.8, …
## $ total.leaf.length.mm <dbl> 21.1, 19.1, 23.4, 27.2, 20.4, 25.3, 23.2, 31.3, …
## $ blade.ratio <dbl> 0.6113744, 0.5497382, 0.5641026, 0.5367647, 0.65…Challenge Quel est le type des variables dans les données ?
dim()indique les dimensions du jeu de données (nombre de lignes et colonnes).
dim(expt1)## [1] 957 15- Pour les données numériques, la fonction
summary()permet d’obtenir des stats de base pour chaque colonne.
summary(expt1)## genotype background temperature fluctuation
## Length:957 Length:957 Min. :12.00 Length:957
## Class :character Class :character 1st Qu.:12.00 Class :character
## Mode :character Mode :character Median :12.00 Mode :character
## Mean :16.98
## 3rd Qu.:22.00
## Max. :22.00
##
## day.length vernalization survival.bolt bolt
## Min. : 8.00 Length:957 Length:957 Length:957
## 1st Qu.: 8.00 Class :character Class :character Class :character
## Median :16.00 Mode :character Mode :character Mode :character
## Mean :12.01
## 3rd Qu.:16.00
## Max. :16.00
##
## days.to.bolt days.to.flower rosette.leaf.num cauline.leaf.num
## Min. : 15.00 Min. : 21.00 Min. : 5.00 Min. : 1.000
## 1st Qu.: 38.00 1st Qu.: 46.00 1st Qu.: 24.00 1st Qu.: 5.000
## Median : 57.00 Median : 66.00 Median : 40.00 Median : 8.000
## Mean : 66.04 Mean : 71.59 Mean : 39.71 Mean : 7.208
## 3rd Qu.: 85.00 3rd Qu.: 92.00 3rd Qu.: 53.00 3rd Qu.: 9.000
## Max. :162.00 Max. :182.00 Max. :112.00 Max. :17.000
## NA's :83 NA's :95 NA's :96
## blade.length.mm total.leaf.length.mm blade.ratio
## Min. : 7.10 Min. : 9.00 Min. :0.0000
## 1st Qu.:18.00 1st Qu.:29.10 1st Qu.:0.5564
## Median :20.95 Median :34.60 Median :0.5948
## Mean :21.11 Mean :34.69 Mean :0.5874
## 3rd Qu.:24.30 3rd Qu.:40.27 3rd Qu.:0.6342
## Max. :59.00 Max. :66.30 Max. :6.5556
## NA's :327 NA's :303 NA's :304Nous avons déjà utilisé de noubreuses fonctions:
install.packages()library()read_tsv()View()glimpse()summary()dim()
Il est bien sûr difficile de ce souvenir du nom de toutes ces fonctions, ce quelles font et comment les utiliser. Heuresement, pour nous aider, une aide est disponible dans R en tapant le nom d’une fonction précédé de ?
?summaryBien sur, une recherche sur internet est aussi une solution très efficace pour trouver de l’aide!
Challenge que fait la fonction
head()?
Challenge Comment regarder les dernières lignes de le notre jeu de donnée? (indice:
?tail)
Inspection visuelle des données
Pour avoir une vue d’ensemble du jeu de données et détecter des problèmes, nous allons ustiliser la fonction vis_dat().
vis_dat(expt1)
Challenge Quel est le type de données le plus courrant dans le jeu de données ? Y a t’il des problème?
Données maquantes
Le gris dans la figure générée par vis_dat() sont des données manquantes. Plusieurs stratégies peuvent être utilisée:
- supprimer les lignes qui contiennent des sonnées manquantes (le plus sûr, mais cause une perte de données)
- ignorer les données manquantes
Pour la lesson, nous allons enlever les lignes contenant des données manquantes.
expt1 <- drop_na(expt1)Challenge Combien de lignes nous reste-il?
Plots! Plots! Plots!
Maintenant que nous avons vérifié la qualité de notre jeu de donnée, nous pouvons générer des graphiques afin d’en apprendre plus sur les données générées par l’expérience.
Nous allons utiliser le package R ggplot2, qui utilie le principe de “grammar or graphics”. Il s’agit des briques du graphique. Cette méthode permettant de combiner et superposer différentes briques:
- data (données)
- aesthetics
- objet geometrique (type de graphique)
- transformations statistiques
- adjustements positionels
- faceting
Les trois premières briques sont essentielles: data, aesthetics et objet geometrique.
- data - Vos données
- aesthetics - Ce que l’on veux montrer sur le graphique et qui dépend des données. Par exemple ce qui est en x et y, la couleur, forme, type de ligne, taille, etc… Pour cela nous utilisons la fonction
aes(). - geom_objects - les objets que nous voulons dans le graphique. Un graphique doit avoir au moins un
geom_object, et peut en avoir plusieurs. Par exemple:- points (
geom_pointpour des scatter plots, dot plots) - lignes (
geom_linepour des tendance, time series)
- points (
Pour plus d’information sur la création de graphique avec ggplot2, voir cette antisèche très utile.
Faire un graphique avec ggplot2
Commençons avec un boxplot: Plottons le days.to.flower pour les différents génotypes.
La fonction ggplot() permet de commencer le graphique. Il faut aussi indiquer les données à utiliser:
ggplot(expt1)
Mais cela ne produit qu’un canevas grise!
Il nous manque des briques. En l’occurence nous devons indiquer quelle aesthetics (c’est la terminologie de ggplot2) nous voulons sur ce canevas gris. Nous devons indiquer quelles sont les variables x et y du boxplot.
ggplot(expt1, aes(x = genotype, y = days.to.flower))
ggplot indique maintenant les variables genotype et days.to.flower de nos données sur les axes x and y du graphique.
Mais toujours pas de graphique. C’est parce que nous pas indiqué à But this is still ggplot quelle geometrie nous voulons dessiner sur le canevas. Pour faire un boxplot, nous ajoutons au canevas (littéralement avec un +) geom_boxplot():
ggplot(expt1, aes(genotype, days.to.flower)) +
geom_boxplot()
Exercice: Pouvez vous dessiner un violin plot? (indice:
?geom_violin)
Ajout de plusieurs couches
Nous allons maintenant ajouter d’autres geom_objects au même graphique. Par exemple, des points pour les valeurs des individus en plus du boxplot:
ggplot(expt1, aes(genotype, rosette.leaf.num)) +
geom_jitter() +
geom_boxplot()
Exercice: Modifiez le graphique pour que les points soient devant, plutôt que derrière, les boxplots.
Couleurs!
Changeons la couleur des boxplots:
ggplot(expt1, aes(genotype, days.to.flower)) +
geom_boxplot(colour = "red")
Ou la couleur à l’interieur ( fill) des boxplots:
ggplot(expt1, aes(genotype, days.to.flower)) +
geom_boxplot(colour = "red", fill = "royalblue")
Ou même leur transparence:
ggplot(expt1, aes(genotype, days.to.flower)) +
geom_boxplot(colour = "red", fill = "royalblue", alpha = 0.5)
C’est sympa, mais cela ne nous apporte pas d’information en plus sur les données.
Par exemple, ajoutons une couleur qui change en fonction d’un des traitement auquel les plantes ont été exposées (par exemple fluctuation). En langage ggplot2, nous voulons lier la valeur de la variable fluctuation à la couleur dans l’ aesthetic du graphique.
Nous devons donc inclure cette information dans aes():
ggplot(expt1, aes(genotype, days.to.flower, colour = fluctuation)) +
geom_boxplot()
Wow! ggplot a automatiquement séparé les données de chaque génotype en deux groupes en fonction de fluctuation et leur a attribué une couleur.
Imaginons que nous voulons ajouter les points pour les valeurs des individus, sans couleur, derrière les boxplots colorés:
ggplot(expt1, aes(genotype, days.to.flower, colour = fluctuation)) +
geom_jitter() +
geom_boxplot(alpha = 0.5)
Ce n’est pas ce que nous voulons. L’aesthetique colour a été lié à toutes les géométries du graphique. C’est parce qu’elle a été définie dans la fonction ggplot(), qui affecte tous les geom_object qui viennent après.
Mais nous pouvons aussi définir l’aesthetique dans chaque geometrie:
ggplot(expt1, aes(genotype, days.to.flower)) +
geom_jitter() +
geom_boxplot(aes(fill = fluctuation), alpha = 0.5)
Exercice: Nous voulons étudier la relation entre le nombre de feuille de rosette et la longueur la limbe des feuilles (en mm) pour les genotypes.
Pour cela, dessinez un scatter plot (
geom_point()) entreblade.length.mmetrosette.leaf.numen colorant les points en fonction degenotype.Que se passe t’il si les points sont colorés en fonction de
days.to.bolt?
Facetting
Often, our data has several grouping variables, and colours alone are not enough to fully represent the differences in the dataset.
For example, the scatterplot produced in the previous exercise is pretty, but very crowded. What if we wanted to isolate each genotype in individual plots?
This easy to accomplish with ggplot2 by adding a “facet” layer to our plot. There are two types of facets:
facet_grid()- arranges sub-plots in rows and/or columnsfacet_wrap()- arranges sub-plots in a ribbon that “wraps” around after a fixed number of plots
Let’s start with facet_grid() and see it in action:
ggplot(expt1, aes(blade.length.mm, rosette.leaf.num, colour = genotype)) +
geom_point() +
facet_grid(genotype ~ temperature)
In the code above, we use facet_grid() to define variables that partition our data by rows and columns, using the notation (rows ~ columns).
Exercice: In the previous graph, colouring the genotype is redundant with the facetting. Can you think of a more useful way to colour the points?
It is possible to use facet_grid() with a single variable:
# Facet by rows
ggplot(expt1, aes(blade.length.mm, rosette.leaf.num, colour = fluctuation)) +
geom_point() +
facet_grid(genotype ~ .)
# Facet by columns
ggplot(expt1, aes(blade.length.mm, rosette.leaf.num, colour = fluctuation)) +
geom_point() +
facet_grid(. ~ genotype)
When we are only partitioning by one variable, often facet_wrap() produces a better display. For example:
ggplot(expt1, aes(blade.length.mm, rosette.leaf.num, colour = fluctuation)) +
geom_point() +
facet_wrap( ~ genotype)
Exercice: Can you modify the previous graph to facet the data by the
fluctuationtreatment (as rows) andday.length(as columns) and colour the points by genotype.
In conclusion, by effectively combining facets, colours and other aesthetics you can represent many dimensions of your data in a single graph!
Exercice: Can you produce a graph similar to
.
Hint: facet the plot by
day.lengthandtemperatureand fill the boxplots byfluctuation.
Interactivity!
But even this is not the limit. We can easily turn our plots into interactive ones using the plotly package.
First we store our plot in a variable and then pass it to the special ggplotly() function.
# Store plot in a variable called p1
p1 <- ggplot(expt1, aes(blade.length.mm, rosette.leaf.num, colour = fluctuation)) +
geom_point() +
facet_wrap(~genotype)
# Render an interactive plot using ggplotly function
ggplotly(p1)Themes
Every element of a ggplot is modifiable. This is out of the scope for this module, but here’s a few examples and references.
Themes modify the overall appearance of the plot. Some come with ggplot2 and many others can be obtained from other packages such as ggthemes (which also has some additional geom objects).
# Example of built-in ggplot2 themes
ggplot(expt1, aes(genotype, days.to.flower)) +
geom_boxplot() +
theme_bw() +
labs(title = "Black and white theme")
ggplot(expt1, aes(genotype, days.to.flower)) +
geom_boxplot() +
theme_classic() +
labs(title = "Classic theme")
ggplot(expt1, aes(genotype, days.to.flower)) +
geom_boxplot() +
theme_minimal() +
labs(title = "Minimal theme")
The theme() function is used to modify individual elements of the plot. The possibilities are so vast that the easiest way is to do a web-search for your intended purpose.
For example, a web-search for “vertical labels x axis ggplot2” returns as one of the first hits this solution:
ggplot(expt1, aes(genotype, days.to.flower)) +
geom_boxplot() +
theme(axis.text.x = element_text(angle = 90, hjust = 1))
Or searching for “altering plot colours ggplot2” returns this page, which somewhere gives an interesting solution:
ggplot(expt1, aes(genotype, days.to.flower, fill = fluctuation)) +
geom_boxplot() +
scale_fill_brewer(palette="Dark2")
Et pour finir
Based on the principles outlined in this module, try and build a graph of your own dataset using ggplot2.
If you encounter any difficulties, we will discuss them in the next module!
Extras
Some other packages that add functionality to ggplot2: